偏见
医疗保健领域的AI技术应该避免偏见和偏差，以确保公平和透明度。医疗保健提供者和技术领导者需要了解AI模型的工作原理，并确保供应商开发的解决方案不会对任何特定人群造成不公平的影响。
在HIMSS全球会议上，专家们强调了历史边缘化群体在任何决策制定过程中都应该有发言权，以利用科技改善健康公平。科技开发者必须在开发过程中有策略、有目的地进行开发。同时，需要重新分配资源，特别是在谁做决策和提供资金的背景下。这将促进边缘化人群的健康，并推动公司的增长。
本文讨论了AI在医疗保健中的潜力、风险和前景，以及梅奥医院平台如何解决这些挑战。同时，还探讨了AI的应用案例、趋势和对工作力量的影响。
一项系统性综述发现，将基于神经影像的人工智能模型转化为直接的临床应用，如精神诊断，存在偏见和其他适用性问题。这些模型需要在实施于临床设置之前解决偏见和其他适用性问题。
随着医疗人工智能的应用不断增长，如何建立医疗AI的信任成为了一个重要的问题。本文介绍了一份最新的研究报告，探讨了如何通过偏见和风险管理等方法来开发更可靠的医疗机器学习工具。
本文介绍了放射学中人工智能和机器学习模型中偏见的原因，并提供了避免这些问题的策略。本文是三部曲系列的第一部分，重点介绍数据处理。
Abbott公司的全球临床事务部门主管Jennifer Jones-McMeans寻求解决心血管护理中的性别偏见，特别是针对患有冠状动脉疾病（CAD）的女性，解决女性临床结果和病人体验较差的问题。该公司已发布了一份关于心血管护理中性别和种族偏见的补充说明。
研究人员发现，有限的种族和民族数据可能导致少数族裔患者罕见遗传疾病的不准确诊断和治疗。这篇文章介绍了约翰霍普金斯大学医学中心的一项研究，该研究探讨了如何收集和使用种族和民族数据以改善遗传疾病的诊断和治疗。
